医学图像分割模型训练方法和医学图像分割方法技术

本发明专利技术提供了一种医学图像分割模型训练方法和医学图像分割方法，该医学图像为硬组织对应的医学图像，该训练方法包括获取第一数量的第一医学图像；对每一第一医学图像进行随机掩码处理，以获取对应的掩码医学图像，并将该第一医学图像作为标签与其所对应的掩码医学图像组成一例第一训练样本；根据第一训练样本对预先构建的自监督模型进行训练，其中，自监督模型包括第一编码网络和第一解码网络；将训练好的自监督模型中的第一编码网络的权重参数迁移至预先构建的医学图像分割模型中，并采用第二训练样本对医学图像分割模型进行训练。本发明专利技术极大地降低了基于深度学习的硬组织医学图像分割算法对标注数据量的依赖，减少了数据标注的工作量。据标注的工作量。据标注的工作量。

【技术实现步骤摘要】
医学图像分割模型训练方法和医学图像分割方法


[0001]本专利技术涉及图像处理
，特别涉及一种医学图像分割模型训练方法、医学图像分割方法、电子设备和可读存储介质。

技术介绍

[0002]在进行牙齿种植规划时需要先计算出每颗牙齿的位置和大小。目前有两种方式来达到牙齿分割的目的，一种使用半自动分割的方式，由操作人员同机器进行交互从而分割出每颗牙齿；或者采用传统三维卷积的神经网络，通过收集大量的标注数据来达到一个比较好的分割效果。
[0003]其中，使用传统半自动分割的方式，需要操作人员频繁的同计算机进行交互，来标定每类牙齿的前景和背景，分割的效率和效果都不理想，已经逐渐被基于深度学习的分割算法取代。而基于传统三维卷积的神经网络分割算法，如果想取得一个比较满意的分割结果需要大量的数据支持，按照经验，全口牙齿32个类别至少需要1000例以上带精标注的数据才会有一个比较满意的结果，但是医疗数据的收集和标注困难一直是业界的一个大问题。
[0004]需要说明的是，公开于该专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0005]本专利技术的目的在于提供一种医学图像分割模型训练方法和医学图像分割方法，可以降低基于深度学习的硬组织医学图像分割算法对标注数据量的依赖，减少数据标注的工作量。
[0006]为达到上述目的，本专利技术提供一种医学图像分割模型训练方法，所述医学图像为硬组织对应的医学图像，所述训练方法包括：
[0007]获取第一数量的第一医学图像；
[0008]针对每一所述第一医学图像，对该第一医学图像进行随机掩码处理，以获取对应的掩码医学图像，并将该第一医学图像作为标签与其所对应的掩码医学图像组成一例第一训练样本；
[0009]根据所述第一训练样本对预先构建的自监督模型进行训练，直至满足第一预设训练结束条件，其中，所述自监督模型包括用于进行组织特征提取的第一编码网络和用于进行像素值回归的第一解码网络；
[0010]将训练好的所述自监督模型中的所述第一编码网络的权重参数迁移至预先构建的医学图像分割模型中，并采用预先获取的第二数量的第二训练样本对所述医学图像分割模型进行训练，直至满足第二预设训练结束条件，其中，所述第二数量小于所述第一数量，所述第二训练样本包括第二医学图像及其所对应的目标组织掩膜标签图像，所述医学图像
分割模型包括用于进行目标组织特征提取的第二编码网络和用于进行目标组织分割的第二解码网络，所述第二编码网络的网络结构与所述第一编码网络的网络结构相同。
[0011]可选的，在对每一所述第一医学图像分别进行随机掩码处理之前，所述训练方法还包括：
[0012]针对每一所述第一医学图像，对该第一医学图像进行分辨率的归一化处理和像素值的归一化处理；和/或
[0013]在采用预先获取的第二数量的第二训练样本对所述医学图像分割模型进行训练之前，所述训练方法还包括：
[0014]针对每一所述第二训练样本，对该第二训练样本中的第二医学图像和目标组织掩膜标签图像进行分辨率的归一化处理，并对所述第二医学图像进行像素值的归一化处理。
[0015]可选的，所述对该第一医学图像进行随机掩码处理，以获取对应的掩码医学图像，包括：
[0016]将所述第一医学图像的尺寸调整至预设尺寸的整数倍；
[0017]根据所述预设尺寸将调整尺寸后的所述第一医学图像划分为多个第一子区域，其中，每个所述第一子区域的尺寸均为所述预设尺寸；
[0018]根据预设比例，随机从所述第一医学图像的所有第一子区域中选取多个第一子区域进行随机掩码处理，以获取对应的掩码医学图像。
[0019]可选的，所述第一编码网络包括第一特征提取子网络、第一位置编码模块和自注意力计算模块，所述第一特征提取子网络用于对所述掩码医学图像中的所有未被掩码的第一子区域分别进行特征提取，以获取各个未被掩码的所述第一子区域所对应的第一特征图；所述第一位置编码模块用于针对每一所述第一特征图，对该第一特征图中的每个像素点进行位置编码，并将位置编码结果与该第一特征图进行拼接，以获取对应的第二特征图；所述自注意力计算模块用于基于自注意力机制对所述掩码医学图像中的所有未被掩码的所述第一子区域所对应的所述第二特征图进行融合，以获取对应的融合特征图；
[0020]所述第一解码网络包括第二特征提取子网络、第二位置编码模块、合并层和全连接层，所述第二特征提取子网络用于对所述掩码医学图像中的所有第一子区域分别进行特征提取，以获取各个所述第一子区域所对应的第三特征图；所述第二位置编码模块用于针对每一所述第三特征图，对该第三特征图中的每个像素点进行位置编码，并将位置编码结果与该第三特征图进行拼接，以获取第四特征图；所述合并层用于将所述第一编码网络所输出的所述融合特征图与所有的所述第四特征图进行合并；所述全连接层用于对所述合并层的输出进行像素值回归，以获取所述掩码医学图像中的所有所述第一子区域各自所对应的子预测医学图像。
[0021]可选的，所述第一预设训练结束条件为：
[0022]所述掩码医学图像所对应的预测医学图像和其所对应的第一医学图像之间的误差值小于第一预设误差阈值，其中，通过将所述掩码医学图像中的所有所述第一子区域各自所对应的子预测医学图像进行组合，以获取所述掩码医学图像所对应的预测医学图像。
[0023]可选的，在采用第二训练样本对所述医学图像分割模型进行训练之前，所述训练方法还包括：
[0024]将所述第二训练样本中的所述第二医学图像的尺寸调整至所述预设尺寸的整数
倍；
[0025]根据所述预设尺寸将调整尺寸后的所述第二医学图像划分为多个第二子区域，其中，每个所述第二子区域的尺寸均为所述预设尺寸。
[0026]可选的，所述第二预设训练结束条件为：
[0027]所述第二医学图像所对应的预测目标组织掩膜图像和其所对应的目标组织掩膜标签图像之间的误差值小于第二预设误差阈值，其中，通过将所述第二医学图像中的所有所述第二子区域各自所对应的子预测目标组织分割图像进行组合，以获取所述第二医学图像所对应的预测目标组织掩膜图像。
[0028]可选的，所述采用预先获取的第二数量的第二训练样本对所述医学图像分割模型进行训练，包括：
[0029]将训练好的所述自监督模型中的所述第一编码网络的权重参数作为所述第二编码网络的权重参数，并设置所述医学图像分割模型中的第二解码网络的权重参数的初始值；
[0030]根据所述第二编码网络的权重参数和所述第二解码网络的权重参数的初始值，采用所述第二训练样本对所述医学图像分割模型进行训练，以对所述第二解码网络的权重参数进行调整。
[0031]为达到上述目的，本专利技术还提供一种医学图像分割方法，所述医学图像为硬组织对应的医学图像，所述医学图像分割方法包括：
[0032]采用上文所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像分割模型训练方法，所述医学图像为硬组织对应的医学图像，其特征在于，包括：获取第一数量的第一医学图像；针对每一所述第一医学图像，对该第一医学图像进行随机掩码处理，以获取对应的掩码医学图像，并将该第一医学图像作为标签与其所对应的掩码医学图像组成一例第一训练样本；根据所述第一训练样本对预先构建的自监督模型进行训练，直至满足第一预设训练结束条件，其中，所述自监督模型包括用于进行组织特征提取的第一编码网络和用于进行像素值回归的第一解码网络；将训练好的所述自监督模型中的所述第一编码网络的权重参数迁移至预先构建的医学图像分割模型中，并采用预先获取的第二数量的第二训练样本对所述医学图像分割模型进行训练，直至满足第二预设训练结束条件，其中，所述第二数量小于所述第一数量，所述第二训练样本包括第二医学图像及其所对应的目标组织掩膜标签图像，所述医学图像分割模型包括用于进行目标组织特征提取的第二编码网络和用于进行目标组织分割的第二解码网络，所述第二编码网络的网络结构与所述第一编码网络的网络结构相同。2.根据权利要求1所述的医学图像分割模型训练方法，其特征在于，在对每一所述第一医学图像分别进行随机掩码处理之前，所述训练方法还包括：针对每一所述第一医学图像，对该第一医学图像进行分辨率的归一化处理和像素值的归一化处理；和/或在采用预先获取的第二数量的第二训练样本对所述医学图像分割模型进行训练之前，所述训练方法还包括：针对每一所述第二训练样本，对该第二训练样本中的第二医学图像和目标组织掩膜标签图像进行分辨率的归一化处理，并对所述第二医学图像进行像素值的归一化处理。3.根据权利要求1所述的医学图像分割模型训练方法，其特征在于，所述对该第一医学图像进行随机掩码处理，以获取对应的掩码医学图像，包括：将所述第一医学图像的尺寸调整至预设尺寸的整数倍；根据所述预设尺寸将调整尺寸后的所述第一医学图像划分为多个第一子区域，其中，每个所述第一子区域的尺寸均为所述预设尺寸；根据预设比例，随机从所述第一医学图像的所有第一子区域中选取多个第一子区域进行随机掩码处理，以获取对应的掩码医学图像。4.根据权利要求3所述的医学图像分割模型训练方法，其特征在于，所述第一编码网络包括第一特征提取子网络、第一位置编码模块和自注意力计算模块，所述第一特征提取子网络用于对所述掩码医学图像中的所有未被掩码的第一子区域分别进行特征提取，以获取各个未被掩码的所述第一子区域所对应的第一特征图；所述第一位置编码模块用于针对每一所述第一特征图，对该第一特征图中的每个像素点进行位置编码，并将位置编码结果与该第一特征图进行拼接，以获取对应的第二特征图；所述自注意力计算模块用于基于自注意力机制对所述掩码医学图像中的所有未被掩码的所述第一子区域所对应的所述第二特征图进行融合，以获取对应的融合特征图；所述第一解码网络包括第二特征提取子网络、第二位置编码模块、合并层和全连接层，
所述第二特征提取子网络用于对所述掩码医学图像中的所有第一子区域分别进行特征提取，以获取各个所述第一子区域所对应的第三特征图；所述第二位置编码模...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：苏州微创畅行机器人有限公司，
类型：发明
国别省市：